Datasets
本研究ではYarkoniら18（http://Neurosynth.org）の機能的MRI研究についてメタアナリシスを用いている。 2017年9月25日時点で3107の反転閾値なし機能マップと11406の文献ソースの詳細を含むNeurosynthデータベースをダウンロードしました
構造コネクトームデータは、Human Connectome Project Team62（http://www.humanconnectome.org/study/hcp-young-adult/）によって7テスラで取得した163名の拡散強調画像データセットから得られました（WU-Minn Consortium；主任研究者。 David Van Essen and Kamil Ugurbil; 1U54MH091657) により取得された7テスラの拡散強調画像データから得られたものである。 この研究は、NIH Blueprint for Neuroscience Researchをサポートする16のNIH Institutes and Centers、およびワシントン大学のMcDonnell Center for Systems Neuroscienceから資金提供を受けました。
Preprocessing of Neurosynth data
2人の研究者（V.R.KとM.T.S）が審査員として特定の認知過程に関連すると思われる単語を選びました。 選定手順は2段階からなる。 第一段階では、審査員が独自に選定を行った。 脳解剖学的用語（例：「salience network」）、精神医学的用語（例：「schizophrenia」）、病理学的用語（例：「alzheimer」）は体系的に除外された。 2人の審査員により、認知プロセスに関連する用語として422語が、また、無関係な用語として2309語が破棄された（再現性88％）。 残りの用語については、審査員が一緒に判断した。 575＞今回の分析では、機能的非対称性に着目し、左右の半球の解剖学的な差異を補正した。 Neurosynthの機能マップは標準的な2mmのMNIテンプレート空間で提供されており，これは対称ではないため，Advanced Normalisation Tools（ANTs，http://stnava.github.io/ANTs/）63で配布されているGreedy symmetric diffeomorphic normalisation（GreedySyN）パイプラインを用いて，MNIテンプレートとhttp://www.bic.mni.mcgill.ca/ServicesAtlases/ICBM152NLin2009で入手できるMNI対称テンプレートとを非線形に共参照させた． 対称テンプレートは、標準テンプレートのボクセル寸法と一致するように、2mmボクセルサイズにダウンサンプリングされた。 その後、非対称と対称のMNI空間間の推定変換をすべての機能マップに適用した。
対称テンプレートとの共整合後、各機能マップの側方化指標を得るために以下のステップを実施した。 まず、機能マップを左半球部分と右半球部分に分割し、得られたマップを6mm FWHMガウシアンフィルタで平滑化した。 次に、左半球のマップを反転し、反転していない右半球のマップから減算して、laterality indices（LI）マップを得た（同様のアプローチについては24を参照のこと）。 これらのマップの正と負の値は、それぞれ用語に関連する機能の右と左の側方化について、より高いメタ分析的証拠を意味する。 つまり、加速度係数3（文献64）、等方性（1.05mm3）分解能、頭部全体をカバーする132枚の近軸スライスをTE71.2ms、TR7000msで取得し、それぞれの拡散強調イメージングで構成された。 各スライス位置において、複数のQ空間shell65に65枚の一様分布勾配と、拡散勾配を適用しない6枚の画像で拡散強調画像を取得した。 この撮影を位相エンコード方向が左から右、右から左のペアでb値1000と2000s mm-2で4回繰り返した。 データにはデフォルトのHCP前処理パイプライン(v3.19.0)を適用した66,67。 つまり、拡散勾配を適用した画像のペアから帯磁率によるオフ共振野を逆方向の歪みで推定し68、TOPUP69を用いて拡散強調データセット全体について補正した。 その後、FSLに実装されているEDDYツールを用いて動きと幾何学的歪みを補正した。
ExploreDTI toolbox for Matlab (http://www.exploredti.com70,71) は軸索水分率の推定値の抽出に使用されている28。 次に、b値が1000 s mm-2のボリュームを破棄し、その後、StarTrackソフトウェア（https://www.mr-startrack.com）を用いてネイティブDWI空間で全脳決定論的トラクトグラフィを実施した。 球面デコンボリューションにはdamped Richardson-Lucyアルゴリズムが適用された72． α = 1.5 × 10-3 mm2 s-1の形状因子に対応する固定線維応答が採用され、8という幾何学的減衰パラメータと結合された。 絶対閾値は灰白質等方性ボクセルの球状繊維配向分布（FOD）の3倍、相対閾値はFODの最大振幅の8％と定義された73。 全脳流線トラクトグラフィーの実行には、角度閾値35°、ステップサイズ0.5mm、最小流線長15mmの修正オイラーアルゴリズム74が使用された
我々は、以下のステップで構造コネクトームデータを標準MNI 2mm空間に共登録した。 次に、ANTに付属するGreedy symmetric diffeomorphic normalisation（GreedySyN）パイプラインを使用して、流線密度ボリュームの研究固有のテンプレートを作成した。 これにより、全被験者の流線密度体積の平均テンプレートが得られた。 このテンプレートは、FSLに実装されたflirtツールを用いて、標準的な2mmのMNI152テンプレートと共登録された。 このステップにより、MNI152空間における流線密度テンプレートが得られた。 第三に、個々の流線密度ボリュームをMNI152空間の流線密度テンプレートに登録し、ソフトウェアパッケージTract Querier75とともに配布されているtrackmathツールを用いて個々の全脳流線トラクトグラフィーに、ANTs GreedySynを用いて軸索水分率マップに、同じ変換が適用された。 このステップでは、標準的なMNI152空間における全脳流線図と軸索水分画マップを作成した。
機能的側方化領域の決定
2段階で行われたこれらの解析で、機能的側方化が顕著な領域を特定することを考えた。 補足図5参照。 最初のステップでは、Neurosynthデータの豊かさを維持しながら、冗長性に対処した。 例えば、多くの選択された用語は、同じ単語の単数形と複数形として関連しており（例えば、「visual form」と「visual forms」）、したがって、それらのマップは非常に似ている可能性が高いです。 このため、LIマップを入力としてSPSS（SPSS, Chicago, IL）で実施したデータ駆動型バリマックス回転主成分（PC）分析により、データの次元を削減した76,77,78。 共分散行列の固有値分解を含む標準的な主成分分析の後、大平均以上の固有値を持つ171の抽出された直交成分が、カイザー正規化基準79を用いて、最大1000回の収束のための反復で、バリマックス回転の手続きに供された。 この結果、データの分散の 72.6%を占めた。 バリマックス回転させた主成分に沿った負荷量の分布は、一般的に歪んでおり、少数の項目だけが大きな負荷量を受ける。 第2段階では、特定の成分に関連する有意な側方性を有するボクセルを同定するために、一般線形モデリングが採用された。 この分析では、主成分はLIマップをフィットさせるための予測変数のセットとして使用され、ベータマップ、すなわち成分空間マップを得た。 並べ替え検定は、有意に側方化された領域を同定するために行われた。 バリマックス回転は主成分行列の列間に何らかの相関を与える可能性があるため、回転していない行列の行に対して並べ替えを行い、その後、成分回転を適用し、実際の主成分に対して行ったのと同じ方法で各並べ替えに対してランダムマップを計算した。 この手順により、並べ換え前のデータの相関構造を模倣することができ、よりロバストな有意性の検定が可能になりました。 多重比較を考慮するために、最大統計のアプローチを使用し、実主成分の空間マップの値を、各順列組み合わせで全ランダムマップにわたる最大値（正または負のいずれか）と比較しました。 5,000回の順列が実行された。 ボクセルは、2つの基準を同時に満たした場合、有意な側方性を示すとみなされた。 (1)それらの空間マップ値が、97.5%のケースで、並べ換えによって得られた最大正と負の値よりそれぞれ高いか低い（すなわち、p < 0.05、両側およびFWE補正）、(2) それらは少なくとも20ボクセルから成るクラスタを形成していた。
Multivariate embedding of lateralisation maps
脳機能的側方化の低次元構造を特徴付けるために、類似性行列のグラフ正規化ラプラシアンの固有値分解80を用いてLIマップのスペクトル埋め込みが行われた。 この方法は、側方化マップ間の類似性を、埋め込み空間における側方化マップ間の距離に変換することで、幾何学的な特徴を明らかにしようとした（側方化プロファイル間の類似性が高いほど、距離は小さくなる）。 ここでは、本研究で分析した171成分によって説明される分散にのみ注目した。 この目的のために、LIマップは、171成分とその空間マップの行列積として再構成されるという意味で、”非ノイズ化 “された。 類似度行列の各要素は、すべてのボクセルにわたる「ノイズ除去された」LIマップのペアについて取られたドット積として計算された（すなわち、類似度行列の要素は、マップのペアのボクセルごとの値の積の合計であった）。 推定を可能にするため、負の値はゼロにされた。 埋め込み次元は、その固有値に従って、小さいものから大きいものへと並べられた。 ゼロの固有値に関連する最初の非情報的な次元は削除された。 解析では、データの低次元表現に構造、特にデータ構造の三角形性が存在するかどうか、存在するとすれば、この構造が何次元で保存されているかを調べた（固有値プロットは補足図6を参照）。 三角形構造はt-ratio、すなわち、埋め込み空間内のすべての点を包含する凸包の面積と最小面積の包含三角形との比として定量化された27。 これらの値は、ランダムなLIマップのt-ratioと比較された。 これらのランダムマップは、ボクセルオーダーの並べ替えにより、590のランダムマップを2000セット生成することにより得られた。 各セットについて、各ペアについてランダムLIマップを計算し、主成分の数＝171でバリマックス分析にかけた。 埋め込みの手順は、非ランダムLIマップに適用した手順と同じであった。 三角形組織の次元スパンは、埋め込みの各2次元部分空間において、非ランダムLIマップのt比がランダムLIマップのt比より大きいかどうかを検定することで評価した（p < 0.05、ボンフェローニ補正済み）。 軸のラベルは、三角形の頂点に位置する1つまたはいくつかの項によってアドホックに定義された。 アーキタイプマップは重回帰法を用いて近似した。 まず、”ノイズ除去 “されたLIマップの各ボクセルの値を、埋め込み空間の最初の171次元における対応するマップの座標に回帰した（すなわち、”ノイズ除去 “に使用した成分数と一致する）。 これにより、各埋め込み次元の側方化指標への寄与が推定された。 次に、アーキタイプの推定位置（すなわち、「simplex」-多次元三角形の頂点）で三角形構造が観察された次元の回帰係数を評価することにより、アーキタイプマップを得た。
Non-lateralised regions
以下の分析において、側方化領域の接続プロファイルを、有意な側方化を示さないが少なくとも一つの機能で有意な関与を示す領域と対照させた。 後者は、元のNeurosynthの機能マップを入力として、「機能的に側方化した領域の決定」のセクションで概説した分析を繰り返すことで同定された。 補足図7参照。 この結果、69個の成分が得られ、分散の70.6%を占めた。 より緊密な比較のために、分析は左右対称の空間で、左半球と右半球について別々に実行された。 ボクセルは以下の基準を満たした場合、有意な側方性を持たないと判断した。 (1)少なくとも1成分、1半球で有意閾値を超えた、(2)側方化したボクセルと重ならない、(3)反対半球で(1)(2)の基準を満たすボクセルと同族であった。 残りの文章では、有意な側方性を持たないボクセルを「非側方化」領域と略称した。 これは、頻度主義統計学的アプローチにより、非側方化領域は、かなりの側方化を示すが、本研究で使用した有意性の統計的基準を満たさないボクセルも含むため、側方化領域との対照として保守的である。 非側方化ボクセルの数は側方化ボクセルの数の3.6倍であった。
構造機能関係の結合強度の測定
構造機能関係については以下の手順で実施した。 まず、有意に側方化したボクセルの空間マップを、側方化の左右の極性に関係なく結合した。 次に、上記で推定したMNI非対称からMNI対称へのテンプレート変形の逆数を用いて、拡散情報との共同解析のために、結合したマップを通常のMNI空間に戻す変換を行った。 最後に、両半球の非対称MNIテンプレートの白質境界線に投影し、これらのボクセルから脳梁までのトラクトグラフィを選択した。 同じ手順を非側方化領域の地図にも適用した。
構造的な半球間結合の強さを示す2つの指標を分析した。 最初の微細構造指標は、選択された側方化領域（または非側方化領域）からの流線が当たった脳梁のボクセルにおける、HCPサンプルの参加者全体の平均した軸索水分率に言及したものである。 2つ目のマクロ構造的な接続性の指標は、脳のボクセルと脳梁の間の接続の再現性30、すなわち脳のボクセルと脳梁の間に接続が存在する参加者のHCPサンプル全体のサイズに対する割合で定義した。 この指標を短く「接続確率」と呼ぶことにする。
側方化領域と非側方化領域の接続性の比較
側方化領域と非側方化領域の接続性の比較は、側方化皮質ボクセルと非側方化皮質ボクセルのプールから（置換なしで）ボクセルのサブセットをサンプリングして実施された。 各プールからのサンプルは、そのプール内のボクセル全体の5％に相当した（すなわち、プール内のサンプルの空間的頻度がプール間で等しくなるようにした）。 各サブセットについて、接続の確率の平均値と、通話路軸索水分率の加重平均値を計算した。ここで、ボクセルの重みは、このボクセルとサンプルされたサブセット内の任意のボクセルとの間の接続複製可能性として与えられたものである。 負の値は、側方化したボクセルの接続性が弱いことを示す。 側方化された皮質領域とそうでない皮質領域の接続性の差の分布は、この手順を1000回繰り返し、各半球について別々に求めた。
半球優位性の分析
機能的半球優位性の程度は、両半球の活性化の強さの間の比の逆接としてラジアン単位で評価した。 課題活性が片側であればこの値の絶対的な大きさは増加し、両半球が同程度の課題活性を示せば減少するように、この値からPi/4を減算した。 異なる成分に関連する側方領域間の部分的な空間的重複が可能であることを考慮して、解析では、特定のボクセルで最大のzスコアを示した成分に関連する優位性値を選択した。 半球ドミナンスと半球間結合の強さとの関係を頑健に推定するために、最小のビン幅が1/163に等しく、結合の確率（Matlabのlogspace関数で与えられる）が増加するような結合の確率でボクセルをビン詰めした。 この方法は、脳梁への接続確率が高いボクセルはごく限られており、大半は小さな値で特徴付けられるという事実を部分的に補うために使用された。 また、ボクセルの左右半球間の平均活動量（すなわち、（左半球＋右半球活動量）／2）を推定し、半球優位性と他の指標との関係を見る分析では、関心のない共変量として使用した
。